AI 论文与研究

研究团队推出 OpenTumorBoard，一个包含 611 个患者病例、19,157 轮讨论、覆盖十种专科角色的多学科肿瘤会诊基准，数据转录自 YouTube 上 12,534 分钟的公开会诊录像。

研究者提出融合注意力原语 MALA，按归一化贡献分配 post-score 计算，在 8K 匹配工作量下平均遗漏质量仅 0.0188%，接近逐实例参考质量 oracle 的 0.0182%。

PrismQuant 是一种量化器感知的旋转框架，通过将激活值主特征空间与非对称分组 INT4 的常量组子空间对齐，把旋转设计建模为 Ky Fan 迹最大化并给出可证明最优的闭式解。

论文提出 AgentTell 基准，研究 browser-use 智能体的行为侧信道泄露，即智能体的操作无意间暴露从先前网站获取的秘密。基准含 20 个场景、100 个任务，在六个骨干模型上共 9,760 次会话的评估显示 61.1% 的会话中智能体通过行为泄露秘密；即使记忆中明确要求不透露，泄露率仍达 56.7%，且 34.5% 的泄露会话最终回复还向用户保证未泄露。

研究者提出 IntentFlux 可执行基准，将可验证任务转为带受控意图变更的多轮对话，在 627 个案例的校准中，任务平均分随被取代和撤回信息增多从 0.476 降至 0.384。

WaveFront Decoding（WFD）是一种面向循环语言模型的无训练自推测解码框架，利用中间循环输出作为草稿预测、并借助权重共享批量处理不同位置与循环深度的 token 状态。

研究者提出用结合代数中的稀疏交互表替代 Transformer 投影层的普通矩阵乘法，在物理块大小固定时实现矩阵维度上的二次算术复杂度，并给出适配 GPU 执行的形状约束。

针对 LLM 智能体在长序列依赖任务中决策漂移的问题，研究者提出 Adaptive Consistency Graph（ACG），将执行证据及其来源增量组织进持久图，并在有限上下文预算下为每次决策构建以需求为中心的临时视图。

研究者提出低秩双线性打分的偏差-方差理论，证明双投影在方向信号平方超过其额外自由度估计成本时风险更低，并据此设计出 Cross-fitted Asymmetry Risk Selector（CARS）。

FlashForward 直接复用当前 chunk 去噪前向中已算出的 in-flight KV cache，省去为更新缓存而做的额外前向，并生成稀疏的干净锚点 latent 以稳定生成轨迹。

针对 Direct-OPD 的 token 级 log-ratio 只衡量相对变化、在概率质量消失时仍可能不变的缺陷，研究者提出 S²D-OPD，按教师参考 JSD 对学生采样状态排序，屏蔽低散度状态的监督，每条回复只保留前 10% 状态。

研究揭示 LLM 强化学习（RLVR）中训练引擎与推理引擎对同一 token 赋予不同概率的问题，并提出校准重要性采样（CIS）进行校正。CIS 基于 logit 位移刻画，采用置信度感知截断：大正位移在单一常数阈值处截断，映射为随 token 置信度升高而收紧的重要性比率上限。在三个 MoE 模型和五个数学推理基准上，CIS 均取得最高五基准平均分。

Relic 将多智能体协作中反复出现的失败转化为组织所有、可执行的协议，把触发条件、责任、所需证据与执行后果绑定到运行时，并支持修订与退役。在十个软件工作负载、三个模型共 360 次受控运行中，完整契约交付率从 14.06% 提升至 19.76%（+5.71 个百分点）。

研究者提出 X-Tree，一种无需 LLM 调用、仅靠统计动作片段可复用性来构建可复用经验树的方法，把跨任务重复出现的子流程从数据中还原为层级结构并用于训练。

研究者训练强化学习智能体直接在半边数据结构上做局部编辑，构建达到离散 Gauss-Bonnet 下界（称为 par）的四边形网格分解，并通过在最优网格上的行为克隆加 PPO 突破稀疏奖励的探索瓶颈。

研究者推出 VGBench，一个含 1,018 条样本的诊断基准，用于评测语音智能体在闲聊、自言自语和说话人切换场景下的动作级"被称呼"判断。六个原始 Audio LLM 和三种免训练适配方案常能识别目标工具，却很少在说话人切换时抑制动作，最高静默率仅 14%。

BiasReducer 提出一种轻量框架，仅编辑奖励模型的线性奖励头，并为每个新数据集自动选择相关编辑，无需重训练。它先用 SAE 风格编码器识别奖励模型敏感的属性（如长度、置信度），再学习调整奖励头的方向和幅度，最后按属性影响力排序筛选编辑。

Allspark 是一个通过交替思维链实现弱到强迁移的训练与推理框架：弱教师模型与同模型冻结副本交替推理、由冻结模型给出最终答案，推理时用更强的学生模型替换冻结伙伴，两者均保持固定。

针对多模态大模型在极低视觉 token 预算下性能骤降的问题，研究者提出训练框架 LT-OPD，让仅保留少量视觉 token 的学生模型在自己生成的轨迹上接受冻结全 token 教师模型的分布监督，并引入逐步降低 token 预算的课程。

VoxMem 是面向大型音频语言模型（LALM）的多模态记忆基准，包含 3,196 个评测实例、34,743 段语音会话（177 小时），覆盖语音语义、说话人身份、副语言线索与环境声四类声学证据，以及信息抽取、多会话推理、时序追踪和拒答四类记忆操作，上下文预算从 8K 到 64K tokens。

研究者提出结构化注意力架构 CoWA，将因果历史访问分散到各 KV head：所有 head 共享近对角与 prefix-sink 窗口，互补的长程窗口划分其余历史，其并集实现完整因果覆盖，且无需学习型 router 或 indexer。

CaptchaArena 是首个面向交互式 CAPTCHA 求解的大规模细粒度训练数据集，包含 20 种 CAPTCHA 类型、5 种交互模式共 50K 道题，每道题的解均经执行验证。

effort 到底是什么？什么时候该调整它，为什么不对所有任务都用最大 effort？ 我深入研究了这个问题，查看了评测数据并做了自己的测试，结果让我相当意外。https://x.com/i/article/2103535187426709504

Qwen 团队发布报告，介绍 Qwen3.8-Omni-Flash，一个原生多模态模型，面向跨文本、音频和视频的长程智能体任务，如视频编辑和长音频视频翻译。模型采用 Qwen3.8-Next 的稀疏 MoE 架构，上下文窗口达一百万 token，并通过协同训练策略在保持文本性能的同时将智能体能力迁移到音频和视频任务。

Qwen 团队发布 Qwen3.8-Omni-Flash 报告，这是一个原生多模态模型，面向跨文本、音频和视频的长时程智能体任务，如视频编辑和长音频视频翻译。模型沿用 Qwen3.8-Next 的稀疏 MoE 架构，上下文窗口为 100 万 token，并通过协同训练策略在保持文本性能的同时把智能体能力迁移到音频和视频任务。

慕尼黑 CESifo 的 Robert Fairlie 和 Jane Wu 发布工作论文，称没有证据显示应届大学毕业生在绝对或相对水平上出现明显的岗位替代或招聘减少。

Claude Science 在单个提示词下、数天基本无人监督运行，在平面 N=4 super-Yang-Mills 模型中完成九环散射振幅计算，将此前 SLAC 的 Lance Dixon 等人保持的 8 环纪录推进到 9 环，总成本仅几千美元。

Reasoning models often generate very long reasoning traces, making inference computationally expensive. Existing approaches typically improve efficiency either through inference-time early-stopping mechanisms or by explicitly encouraging s…

We give a gap-free differentially private algorithm for the principal component analysis (PCA) problem with Gaussian data.

Recent literature has shown a strong connection between optimization and sampling. We develop the corresponding first-order theory for diffusion models. First, the SDE-based reverse-time flows of overdamped and underdamped Langevin diffusi…

Generative AI systems are increasingly used, but aligning their outputs with user requirements poses a continuing challenge. Here, we aim to ensure that the distribution of an attribute of an AI-generated output aligns with a user-specifie…

Large language models (LLMs) implicitly infer attributes of their users and adapt their behavior accordingly, yet these beliefs remain difficult to inspect and causally manipulate. We introduce Belief Self-Distillation (BSD), a unified rea…

Low-rank adapters (LoRA) make it cheap to fine-tune a large language model once per task, but combining several independently trained adapters into one model remains difficult: merging the updates in weight space causes interference, retra…

Anthropic 在科学博客称，物理学家 @4gravitons 发起挑战后，Claude 在 Claude Science 中依据单个提示词 largely unsupervised 地运行数天，在平面 N=4 超杨-米尔斯模型中完成九圈散射振幅计算，总成本约几千美元。

Direct feedback alignment (DFA) trains hidden layers through fixed random projections of output error. With tanh hidden units and independent sigmoid outputs, plain stochastic gradient descent can stall near the loss of a constant predicto…

在世界模型中训练客体永久性 论文：https://huggingface.co/papers/2609.28654

We investigate whether natural-language documentation helps coding agents resolve software issues, and we build the tools to construct and evaluate it. We introduce a roundtrip benchmark that scores code descriptions by whether code regene…

Decision Transformer performance degrades on long rollouts because the conditioning context drifts out of the training distribution. We show that this drift is visible through the model's own next state prediction error, which rises during…

Uneven rotation and dropped frames make equal-angle assumptions unreliable for turntable reconstruction. We present OC-GS, an object-centric Gaussian splatting that refines each image's angle while maintaining a shared camera, rotation axi…

Many LLM training and inference methods, including RL and test-time scaling, depend on repeated sampling, but benefit only when the responses meaningfully differ. Self-training faces the same challenge: training data is typically construct…